Bài 2 — Thiết lập môi trường: stack công cụ, API key và chuẩn hóa dữ liệu CV

Bài này bạn dựng bộ khung kỹ thuật để agent chạy được. Mục tiêu cuối bài: có một script biến file CV PDF thành JSON có cấu trúc — nền tảng cho mọi bước sau.

Chọn stack: no-code hay code?

Khóa này dùng Python + LLM API làm ví dụ vì nó bộc lộ rõ cơ chế; nếu bạn dùng n8n, mọi khái niệm (prompt, JSON schema, tool call) đều ánh xạ 1-1 sang các node.

Các bước thiết lập

• Tạo môi trường Python cô lập và cài thư viện đọc PDF + gọi LLM.
• Lấy API key của nhà cung cấp LLM, lưu vào biến môi trường (không hardcode).
• Chuẩn bị thư mục cv_inbox/ chứa CV thô và cv_json/ chứa kết quả.
• Viết hàm trích xuất text từ PDF (nhiều CV là scan → cần OCR dự phòng).
• Viết prompt trích xuất có JSON schema cố định.

python -m venv venv && source venv/bin/activate
pip install pdfplumber openai python-dotenv
# .env  (KHÔNG commit lên git)
# LLM_API_KEY=sk-xxxx

Trích xuất text từ CV

import pdfplumber, os

def extract_text(path):
    text = ""
    with pdfplumber.open(path) as pdf:
        for page in pdf.pages:
            text += (page.extract_text() or "") + "\n"
    if len(text.strip()) < 50:
        # PDF scan ảnh → cần OCR (ví dụ Tesseract) hoặc đánh dấu lỗi
        return None
    return text

Lưu ý: khoảng 15–30% CV thực tế là scan ảnh hoặc layout 2 cột rối. Luôn có nhánh xử lý CV "đọc không được" thay vì để agent im lặng bỏ qua.

Chuẩn hóa thành JSON có cấu trúc

Đây là bước quyết định chất lượng cả hệ thống. Prompt phải ép LLM trả đúng schema:

SCHEMA_PROMPT = """Trích xuất thông tin từ CV sau thành JSON đúng schema.
Nếu không có thông tin, để null, TUYỆT ĐỐI không bịa.
Schema:
{
  "full_name": str|null,
  "years_experience": number|null,
  "skills": [str],
  "education": str|null,
  "current_title": str|null,
  "industries": [str],
  "contact_email": str|null
}
Chỉ trả JSON, không giải thích.
CV:
---
{cv_text}
"""

Mẹo quan trọng: yêu cầu "không bịa, thiếu thì null" giảm mạnh hiện tượng LLM tự sáng tác kinh nghiệm không có trong CV — một lỗi cực nguy hiểm khi chấm điểm.

Khung "3 lớp bảo vệ dữ liệu"

Lớp 1 — Validate: JSON parse được không? đủ field không?
Lớp 2 — Sanity check: years_experience có âm/quá lớn không?
Lớp 3 — Human flag: field quan trọng null → đánh dấu "cần xem tay"

Mỗi CV chạy qua 3 lớp; chỉ CV "sạch" mới vào bước chấm điểm tự động, phần còn lại xếp hàng cho người.

Checklist môi trường sẵn sàng

• [ ] API key nằm trong biến môi trường, .env đã vào .gitignore
• [ ] Trích xuất được text từ CV mẫu (test 5 CV thật, đủ định dạng)
• [ ] Có nhánh xử lý CV scan/đọc lỗi
• [ ] JSON output validate được bằng schema
• [ ] Đã thử prompt với CV "thiếu thông tin" xem có bịa không

Sai lầm thường gặp

• Hardcode API key trong code. Rò rỉ khi push git, có thể bị lạm dụng tốn tiền. Luôn dùng env var.
• Giả định mọi CV đều là PDF text. CV scan sẽ ra chuỗi rỗng và làm hỏng bước chấm điểm mà bạn không hay biết.
• Cho LLM trả text tự do rồi tự parse bằng regex. Rất giòn. Ép JSON schema ngay từ đầu.
• Không test case "thiếu thông tin". LLM có xu hướng lấp chỗ trống bằng phỏng đoán; phải kiểm tra và chặn bịa đặt.
• Bỏ qua quyền riêng tư. CV chứa dữ liệu cá nhân; đừng gửi lên dịch vụ không kiểm soát, và xóa dữ liệu theo chính sách lưu trữ.

Bài sau: dùng JSON đã chuẩn hóa để xây engine chấm điểm CV minh bạch, có trọng số và giải thích được.